由普林斯頓和GoogleDeepMind聯合提出的全新「思維樹」框架，讓GPT-4可以自己提案、評估和決策，推理能力最高可提升1750%。
2022年，前Google大腦華人科學家Jason Wei在一篇思維鏈的開山之作中首次提出，CoT可以增強LLM的推理能力。但即便有了思維鏈，LLM 有時也會在非常簡單的問題上犯錯。
最近，來自普林斯頓大學和Google DeepMind研究人員提出了一種全新的語言模型推理框架——「思維樹」（ToT）。
ToT將當前流行的「思維鏈」方法泛化到引導語言模型，並通過探索文字（思維）的連貫單元來解決問題的中間步驟。
簡單來說，「思維樹」可以讓LLM：
- 自己給出多條不同的推理路徑
- 分別進行評估後，決定下一步的行動方案
- 在必要時向前或向後追溯，以便實現進行全域的決策
論文實驗結果顯示，ToT顯著提高了LLM在三個新任務（24點遊戲，創意寫作，迷你填字遊戲）中的問題解決能力。
比如，在24點遊戲中，GPT-4只解決了4％的任務，但ToT方法的成功率達到了74％。
讓LLM「反覆思考」
用於生成文字的大語言模型GPT、PaLM，現已經證明能夠執行各種廣泛的任務。
所有這些模型取得進步的基礎仍是最初用於生成文字的「自回歸機制」，以從左到右的方式一個接一個地進行token級的決策。
那麼，這樣一個簡單的機制能否足以建立一個通向「解決通用問題的語言模型」？如果不是，哪些問題會挑戰當前的範式，真正的替代機制應該是什麼？
恰恰關於「人類認知」的文獻為這個問題提供了一些線索。
「雙重過程」模型的研究表明，人類有兩種決策模式：快速、自動、無意識模式——「系統1」和緩慢、深思熟慮、有意識模式——「系統2」。
語言模型簡單關聯token級選擇可以讓人聯想到「系統1」，因此這種能力可能會從「系統2」規劃過程中增強。
「系統1」可以讓LLM保持和探索當前選擇的多種替代方案，而不僅僅是選擇一個，而「系統2」評估其當前狀態，並積極地預見、回溯以做出更全域的決策。
為了設計這樣一個規劃過程，研究者便追溯到人工智慧和認知科學的起源，從科學家Newell、Shaw和Simon在20世紀50年代開始探索的規劃過程中汲取靈感。
Newell及其同事將問題解決描述為「通過組合問題空間進行搜尋」，表示為一棵樹。
一個真正的問題解決過程包括重複使用現有資訊來探索，反過來，這將發現更多的資訊，直到最終找到解決方法。
這個觀點突出了現有使用LLM解決通用問題方法的2個主要缺點：
1. 局部來看，LLM沒有探索思維過程中的不同延續——樹的分支。
2. 總的來看，LLM不包含任何類型的計畫、前瞻或回溯，來幫助評估這些不同的選擇。
為瞭解決這些問題，研究者提出了用語言模型解決通用問題的思維樹框架（ToT），讓LLM可以探索多種思維推理路徑。
ToT四步法
當前，現有的方法，如IO、CoT、CoT-SC，通過採樣連續的語言序列進行問題解決。
而ToT主動維護了一個「思維樹」。每個矩形框代表一個思維，並且每個思維都是一個連貫的語言序列，作為解決問題的中間步驟。
ToT將任何問題定義為在樹上進行搜尋，其中每個節點都是一個狀態，表示到 目前為止輸入和思維序列的部分解。
ToT執行一個具體任務時需要回答4個問題:
如何將中間過程分解為思維步驟；如何從每個狀態生成潛在的想法；如何啟發性地評估狀態；使用什麼搜尋演算法。
1. 思維分解
CoT在沒有明確分解的情況下連貫抽樣思維，而ToT利用問題的屬性來設計和分解中間的思維步驟。
根據不同的問題，一個想法可以是幾個單詞（填字遊戲） ，一條方程式（24點） ，或者一整段寫作計畫（創意寫作）。
一般來說，一個想法應該足夠「小」，以便LLM能夠產生有意義、多樣化的樣本。比如，生成一本完整的書通常太「大」而無法連貫 。
但一個想法也應該「大」，足以讓LLM能夠評估其解決問題的前景。例如，生成一個token通常太「小」而無法評估。
2. 思維生成器
給定樹狀態
，通過2種策略來為下一個思維步驟生成k個候選者。
（a）從一個CoT提示採樣
思維：
在思維空間豐富（比如每個想法都是一個段落），並且
導致多樣性時，效果更好。
（b）使用「proposal prompt」按順序提出想法：
。 這在思維空間受限制（比如每個思維只是一個詞或一行）時效果更好，因此在同一上下文中提出不同的想法可以避免重複。
3. 狀態求值器
給定不同狀態的前沿，狀態評估器評估它們解決問題的進展，作為搜尋演算法的啟髮式演算法，以確定哪些狀態需要繼續探索，以及以何種順序探索。
雖然啟髮式演算法是解決搜尋問題的標準方法，但它們通常是程式的（DeepBlue）或學習的（AlphaGo）。這裡，研究者提出了第三種選擇，通過LLM有意識地推理狀態。
在適用的情況下，這種深思熟慮的啟髮式方法可以比程式規則更靈活，比學習模型更有效率。與思維生成器，研究人員也考慮2種策略來獨立或一起評估狀態：對每個狀態獨立賦值；跨狀態投票。
4. 搜尋演算法
最後，在ToT框架中，人們可以根據樹的結構，即插即用不同的搜尋演算法。
研究人員在此探索了2個相對簡單的搜尋演算法：
演算法1——廣度優先搜尋（BFS），每一步維護一組b最有希望的狀態。
演算法2——深度優先搜尋（DFS），首先探索最有希望的狀態，直到達到最終的輸出
，或者狀態評估器認為不可能從當前的
為閾值
解決問題。 在這兩種情況下，DFS都會回溯到s的父狀態以繼續探索。
由上，LLM通過自我評估和有意識的決策，來實現啟髮式搜尋的方法是新穎的。
實驗
為此，團隊提出了三個任務用於測試——即使是最先進的語言模型GPT-4，在標準的IO提示或思維鏈（CoT）提示下，都是非常富有挑戰的。
24點（Game of 24）
24點是一個數學推理遊戲，目標是使用4個數字和基本算術運算（+-*/）來得到24。
例如，給定輸入「4 9 10 13」，答案的輸出可能是「(10-4)*(13-9)=24」。
ToT設定
團隊將模型的思維過程分解為3個步驟，每個步驟都是一個中間方程。
如圖2(a)所示，在每個節點上，提取「左邊」的數字並提示LLM生成可能的下一步。（每一步給出的「提議提示」都相同）
其中，團隊在ToT中進行寬度優先搜尋（BFS），並在每一步都保留最好的b=5個候選項。
如圖2(b)所示，提示LLM評估每個思維候選項是「肯定/可能/不可能」達到24。基於「過大/過小」的常識消除不可能的部分解決方案，保留剩下的「可能」項。
結果
如表2所示，IO，CoT和CoT-SC提示方法在任務上的表現不佳，成功率僅為7.3%，4.0%和9.0%。相比之下，ToT在廣度為b=1時已經達到了45%的成功率，而在b=5時達到了74%。
團隊還考慮了IO/CoT的預測設定，通過使用最佳的k個樣本（1≤k≤100）來計算成功率，並在圖3(a)中繪出5個成功率。
不出所料，CoT比IO擴展得更好，最佳的100個CoT樣本達到了49%的成功率，但仍然比在ToT中探索更多節點（b>1）要差。
錯誤分析
圖3(b)分析了CoT和ToT樣本在哪一步失敗了任務，即思維（在CoT中）或所有b個思維（在ToT中）都是無效的或無法達到24。
值得注意的是，大約60%的CoT樣本在第一步就已經失敗了，或者說，是前三個詞（例如「4+9」）。
創意寫作
接下來，團隊設計了一個創意寫作任務。
其中，輸入是四個隨機句子，輸出應該是一個連貫的段落，每段都以四個輸入句子分別結束。這樣的任務開放且富有探索性，挑戰創造性思維以及高級規劃。
值得注意的是，團隊還在每個任務的隨機IO樣本上使用迭代-最佳化（k≤5）方法，其中LLM基於輸入限制和最後生成的段落來判斷段落是否已經「完全連貫」，如果不是，就生成一個最佳化後的。
ToT設定
團隊建構了一個深度為2（只有1個中間思維步驟）的ToT。
LLM首先生成k=5的計畫並投票選擇最佳的一個（圖4），然後根據最佳計畫生成k=5的段落，然後投票選擇最佳的一個。
一個簡單的zero-shot投票提示（「分析以下選擇，然後得出哪個最有可能實現指令」）被用來在兩個步驟中抽取5票。
圖5(a)顯示了100個任務中的GPT-4平均分數，其中ToT（7.56）被認為比IO（6.19）和CoT（6.93）平均生成更連貫的段落。
雖然這樣的自動評測可能會有噪音，但圖5(b)通過顯示人類在100個段落對中有41個更喜歡ToT而只有21個更喜歡CoT（其他38對被認為「同樣連貫」）來確認這一發現。
最後，迭代最佳化在這個自然語言任務上更有效——將IO連貫性分數從6.19提高到7.67，將ToT連貫性分數從7.56提高到7.91。
團隊認為它可以被看作是在ToT框架下生成思維的第三種方法，新的思維可以通過最佳化舊的思維而產生，而不是i.i.d.或順序生成。
迷你填字遊戲
在24點遊戲和創意寫作中，ToT相對較淺——最多需要3個思維步驟就能完成輸出。
最後，團隊決定通過5×5的迷你填字遊戲，來設定一個更難的問題。
同樣，目標不僅僅是解決任務，而是研究LLM作為一個通用問題解決者的極限。通過窺視自己的思維，以有目的性的推理作為啟發，來指導自己的探索。
團隊利用深度優先搜尋保持探索最有可能成功的後續單詞線索，直到狀態不再有希望，然後回溯到父狀態以探索替代的思維。
為了使搜尋可行，後續的思維被限制不改變任何已填寫的單詞或字母，這樣ToT最多有10個中間步驟。
對於思維生成，團隊在每個狀態下將所有現有的思維（例如，「h2.motor; h1.tasks」對於圖6(a)中的狀態）轉換為剩餘線索的字母限制（例如，「v1.To heap: tm___;...」），從而得到下一個單詞填寫位置和內容的候選。
重要的是，團隊也提示LLM給出不同思維的置信度，並在提案中彙總這些以獲得下一個要探索的思維的排序列表（圖6(a)）。
對於狀態評估，團隊類似地將每個狀態轉換為剩餘線索的字母限制，然後評估每個線索是否可能在給定限制下填寫。
如果任何剩餘的線索被認為是「不可能」的（例如，「v1. To heap: tm_s_」），那麼該狀態的子樹的探索就被剪枝，並且DFS回溯到其父節點來探索下一個可能的候選。
如表3所示，IO和CoT的提示方法在單詞級成功率上表現不佳，低於16%，而ToT顯著改善了所有指標，實現了60%的單詞級成功率，並解決了20個遊戲中的4個。
鑑於IO和CoT缺乏嘗試不同線索、改變決策或回溯的機制，這種改善並不令人驚訝。
侷限性與結論
ToT是一個讓LLM可以更自主、更智慧地做決策和解決問題的框架。
它提高了模型決策的可解釋性以及與人類對齊的機會，因為ToT所生成的表徵表形式是可讀的、高級的語言推理，而不是隱式的、低級的token值。
對於那些GPT-4已經十分擅長的任務來說，ToT可能並是不必要的。
此外，像ToT這樣的搜尋方法需要更多的資源（如GPT-4 API成本）來提高任務性能，但ToT的模組化靈活性讓使用者可以自訂這種性能-成本平衡。
不過，隨著LLM被用於更多真實世界的決策應用（如程式、資料分析、機器人技術等），ToT可以為研究那些即將出現的更為複雜的任務，提供新的機會。
參考資料https://arxiv.org/abs/2305.10601
請注意！留言要自負法律責任，相關案例層出不窮，請慎重發文！